top of page
Foto del escritorGustavo Mercau

Inteligencia artificial, Machine learning, deep learning y data science: ¿cuál es la diferencia?



Estas áreas están evolucionando rápidamente y la definición que encuentres aquí hoy podría ser diferente de la que encontrará mañana, así que no olvide seguir el ritmo del crecimiento de la tecnología.

¿Qué es la inteligencia artificial?

Antes de buscar específicamente el significado de la inteligencia artificial, tenía la noción de que la inteligencia artificial (IA) se trataba de robots que se apoderan del mundo al poder hacer las mismas cosas que nosotros, como los humanos.

Si bien esto es parte de la verdad, esto no es del todo de lo que se trata la inteligencia artificial. Como sabemos, la verdad a medias casi no es verdad.

La palabra inteligencia de acuerdo con el diccionario Merriam-webster es "la capacidad de aprender o comprender o manejar situaciones nuevas o difíciles". También se define como el uso hábil de la razón y la capacidad de aplicar el conocimiento para manipular el entorno o pensar de manera abstracta según lo medido por criterios objetivos (como las pruebas)

Por lo tanto, la inteligencia artificial (IA) se basa en la idea de la capacidad de una máquina o programa de computadora para pensar (razonar), comprender y aprender como los humanos.

Desde la definición de inteligencia, también podemos decir que la Inteligencia artificial es el estudio de la posibilidad de crear máquinas capaces de aplicar el conocimiento recibido de los datos al manipular el entorno.

Es la palabras de moda? ¡Espera! En lenguaje sencillo…

La IA (inteligencia artificial) está reproduciendo la inteligencia humana en las máquinas, especialmente los sistemas informáticos a través del aprendizaje, el razonamiento y la autocorrección.

Ejemplo de la vida real de IA:

Si eres mi amigo y entiendo que te encantan las películas de acción, te haría sugerencias de películas de acción, en base a lo que sé sobre ti. Esto es inteligencia humana.

Las máquinas también pueden reproducir esto, si ve una categoría particular de películas en Netflix, por ejemplo, Netflix comienza a hacerle sugerencias de películas, según su patrón.

¿Cómo es esto posible? Inteligencia artificial. Este es un ejemplo muy general de inteligencia artificial.

¿Qué es el aprendizaje automático?

La inteligencia artificial es muy vasta. El aprendizaje automático (ML) es un subconjunto de la inteligencia artificial. ¿Recuerdas el aspecto de aprendizaje de la definición de inteligencia del párrafo anterior? Ahí es donde entra ML.

El aprendizaje automático (ML) es un conjunto de herramientas estadísticas para aprender de los datos. El núcleo de ML está en enseñar a las computadoras cómo aprender y hacer predicciones a partir de datos sin necesariamente ser programados.

Ejemplo de la vida real de ML:

Todos recibimos correos no deseados. Estos siempre son filtrados por gmail, por ejemplo. Además, los correos se clasifican como promociones y redes sociales, así como otras categorías en función del servicio de correo que utiliza. ¿Cómo ha aprendido Gmail a hacer esto? ¡Aprendizaje automático! No olvides que ML es parte de la IA.

¿Qué es el aprendizaje profundo?

En el aprendizaje automático, los datos pasan principalmente por algoritmos que realizan transformaciones lineales en ellos para producir resultados.

El aprendizaje profundo es un subconjunto del aprendizaje automático en el que los datos atraviesan múltiples transformaciones no lineales para obtener una salida.

'Profundo' se refiere a muchos pasos en este caso. La salida de un paso es la entrada para otro paso, y esto se hace continuamente para obtener una salida final. Todos estos pasos no son lineales. Un ejemplo de una transformación no lineal es una transformación matricial.

El aprendizaje profundo a veces se denomina redes neuronales profundas (DNN) porque hace uso de redes neuronales artificiales de varias capas para implementar el aprendizaje profundo.

¿Has visto una foto de una neurona del cerebro humano? Las redes neuronales artificiales se construyen de manera similar, con nodos neuronales conectados como una red.

Los algoritmos de aprendizaje profundo requieren máquinas muy potentes y son muy útiles para detectar patrones a partir de datos de entrada.

Una aplicación de Deep Learning:

¿Has oído hablar de WaveNet y Deep Speech? Ambos son redes de aprendizaje profundo que generan voz automáticamente. Sistemas de texto a voz, antes de que WaveNet y el habla profunda fueran entrenados manualmente.

Con el aprendizaje profundo, los sistemas están aprendiendo a imitar las voces humanas hasta el punto de que es difícil distinguir entre una voz en off humana y una de computadora. Deep Learning nos acerca a dar a las computadoras la capacidad de hablar como humanos.

El aprendizaje profundo es un subconjunto de ML que es un subconjunto de IA, por lo que es AI.

¿Qué es la ciencia de datos?

La ciencia de datos tiene una intersección con la inteligencia artificial, pero no es un subconjunto de la inteligencia artificial.

La ciencia de datos es el estudio de una curiosidad suscitada en cualquier campo dado, la extracción de datos de una gran fuente de datos relacionados con la pregunta en mente, el procesamiento de datos, el análisis y la visualización de estos datos, a fin de darle significado a TI y estrategias comerciales.

En términos simples, es entender y dar sentido a los datos. Se utilizan muchas herramientas en ciencia de datos. Incluyen herramientas estadísticas, herramientas probabilísticas, álgebra lineal y métrica, optimización numérica y programación.

Una aplicación de la ciencia de datos:

Elige un concepto aleatorio.

Elijo el patrocinio. ¿Cómo consiguen las personas el patrocinio de una causa? Quién suele estar dispuesto a responder a un correo electrónico pidiendo patrocinadores. ¿Qué palabras clave buscan en los correos electrónicos que solicitan patrocinio? preferirían una llamada telefónica?

En este caso, la ciencia de datos puede ayudar. Un conjunto de datos relacionados con todos los que han patrocinado una causa, por qué lo patrocinaron, sus preferencias en términos de canales de comunicación, etc., obtienen un gran conjunto de datos no estructurados.

Los datos se procesan, analizan y visualizan utilizando las diversas herramientas de las que ya hablamos. Se hacen conclusiones a partir de estos datos.

Esta información puede ayudar a las organizaciones sin fines de lucro y a las personas que buscan una causa para buscar patrocinadores.

La ciencia de datos no es completamente inteligencia artificial, sin embargo, partes de la ciencia de datos se cruzan con la inteligencia artificial.

A fin de cuentas, una cosa es común a estas palabras de moda: ¡ DATOS !

7 visualizaciones0 comentarios

Kommentare


bottom of page